Keywords
How to Cite
Abstract
В работе рассматриваются методы повышения качества видео с использованием генеративных состязательных сетей (GAN). Исследуются модели ESRGAN и TecoGAN, применяемые для задач суперразрешения и восстановления текстур. Эксперименты показали, что использование GAN обеспечивает значительное улучшение визуального качества видео, увеличение показателей PSNR и SSIM, а также более реалистичную реконструкцию деталей по сравнению с традиционными методами обработки.
References
1. Goodfellow, I. et al. (2014). Generative Adversarial Networks. Advances in Neural Information Processing Systems (NeurIPS). - https://arxiv.org/abs/1406.2661
2. Dong, C. et al. (2014). Learning a Deep Convolutional Network for Image Super-Resolution. ECCV. - https://link.springer.com/chapter/10.1007/978-3-319-10593-2_13?
3. Ledig, C. et al. (2017). Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network (SRGAN). CVPR. - https://arxiv.org/abs/1609.04802?utm_source
4. Wang, X. et al. (2018). ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks. ECCV Workshops. - https://arxiv.org/abs/1809.00219
5. Chu, M. et al. (2018). Learning Temporal Coherence via Self-Supervision for GAN-Based Video Generation (TecoGAN). ACM SIGGRAPH Asia. - https://dl.acm.org/doi/10.1145/3386569.3392457?